翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
Amazon Lookout for Equipment で機器の異常を検出する
注記
異常検出は、Amazon Lookout for Equipment が利用可能なリージョンでのみ使用できます。
Amazon Lookout for Equipment AWS IoT SiteWise と統合すると、産業機器の異常検出と予測メンテナンスを通じて産業機器に関するインサイトを得ることができます。Lookout for Equipment は、異常な機器の動作を検出し、潜在的な障害を特定する産業機器を監視するための機械学習 (ML) サービスです。Lookout for Equipment を使用すると、予測メンテナンスプログラムを実装し、最適ではない機器プロセスを特定できます。Lookout for Equipment の詳細については、「Amazon Lookout for Equipment ユーザーガイド」の「Amazon Lookout for Equipment とは」を参照してください。
異常な機器の動作を検出するように ML モデルをトレーニングする予測を作成すると、 はアセットプロパティ値を Lookout for Equipment AWS IoT SiteWise に送信して、異常な機器の動作を検出するように ML モデルをトレーニングします。アセットモデルで予測定義を定義するには、Lookout for Equipment がデータにアクセスするために必要なIAMロールと、Lookout for Equipment に送信して処理されたデータを Amazon S3 に送信するプロパティを指定します。詳細については、「アセットモデルの作成」を参照してください。
AWS IoT SiteWise と Lookout for Equipment を統合するには、以下の大まかなステップを実行します。
追跡するプロパティの概要を示す予測定義をアセットモデルに追加します。予測定義は、そのアセットモデルに基づくアセットに予測を作成するために使用される測定値、変換、メトリクスの再利用可能なコレクションです。
提供した履歴データに基づいて予測をトレーニングします。
スケジュール推論。特定の予測を実行する AWS IoT SiteWise 頻度を指定します。
推論がスケジュールされると、Lookout for Equipment モデルは機器から受信したデータをモニタリングし、機器の動作の異常を探します。API オペレーションまたは Lookout for Equipment コンソールを使用して AWS IoT SiteWise GET、 SiteWise Monitor で結果を表示および分析できます。また、アセットモデルのアラームディテクターを使用してアラームを作成し、異常な機器の動作を警告することもできます。
トピック
予測定義を追加する (コンソール)
によって収集されたデータを Lookout for Equipment に送信 AWS IoT SiteWise し始めるには、アセットモデルに AWS IoT SiteWise 予測定義を追加する必要があります。
AWS IoT SiteWise アセットモデルに予測定義を追加するには
AWS IoT SiteWise コンソール
に移動します。 ナビゲーションペインで、モデルを選択し、予測定義を追加するアセットモデルを選択します。
予測 を選択します。
予測定義の追加 を選択します。
-
予測定義の詳細を定義します。
-
予測定義の一意の名前と説明を入力します。予測定義の作成後は名前を変更できないため、名前は慎重に選択してください。
-
が Amazon Lookout for Equipment とアセットデータを共有 AWS IoT SiteWise できるようにするIAMアクセス許可ロールを作成または選択します。ロールには、次の IAMおよび 信頼ポリシーが必要です。ロールの作成については、「カスタム信頼ポリシーを使用したロールの作成 (コンソール)」を参照してください。
IAM ポリシー
{ "Version": "2012-10-17", "Statement": [{ "Sid": "L4EPermissions", "Effect": "Allow", "Action": [ "lookoutequipment:CreateDataset", "lookoutequipment:CreateModel", "lookoutequipment:CreateInferenceScheduler", "lookoutequipment:DescribeDataset", "lookoutequipment:DescribeModel", "lookoutequipment:DescribeInferenceScheduler", "lookoutequipment:ListInferenceExecutions", "lookoutequipment:StartDataIngestionJob", "lookoutequipment:StartInferenceScheduler", "lookoutequipment:UpdateInferenceScheduler", "lookoutequipment:StopInferenceScheduler" ], "Resource": [ "arn:aws:lookoutequipment:
Region
:Account_ID
:inference-scheduler/IoTSiteWise_*", "arn:aws:lookoutequipment:Region
:Account_ID
:model/IoTSiteWise_*", "arn:aws:lookoutequipment:Region
:Account_ID
:dataset/IoTSiteWise_*" ] }, { "Sid": "L4EPermissions2", "Effect": "Allow", "Action": [ "lookoutequipment:DescribeDataIngestionJob" ], "Resource": "*" }, { "Sid": "S3Permissions", "Effect": "Allow", "Action": [ "s3:CreateBucket", "s3:ListBucket", "s3:PutObject", "s3:GetObject" ], "Resource": ["arn:aws:s3:::iotsitewise-*"] }, { "Sid": "IAMPermissions", "Effect": "Allow", "Action": [ "iam:GetRole", "iam:PassRole" ], "Resource": "arn:aws:iam::Account_ID
:role/Role_name
" } ] }信頼ポリシー
{ "Version": "2012-10-17", "Statement": [{ "Effect": "Allow", "Principal": { "Service": "iotsitewise.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "
Account_ID
" }, "ArnEquals": { "aws:SourceArn": "arn:aws:iotsitewise:Region
:Account_ID
:asset/*" } } }, { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "Account_ID
" }, "ArnEquals": { "aws:SourceArn": "arn:aws:lookoutequipment:Region
:Account_ID
:*" } } } ] } -
[Next (次へ)] を選択します。
-
-
Lookout for Equipment に送信するデータ属性 (測定値、変換、メトリクス) を選択します。
-
(オプション) 測定値を選択します。
-
(オプション) 変換を選択します。
-
(オプション) メトリクスを選択します。
[Next (次へ)] を選択します。
-
-
選択を確認します。アセットモデルに予測定義を追加するには、概要ページで予測定義の追加を選択します。
アクティブな予測がアタッチされている既存の予測定義を編集または削除することもできます。
予測をトレーニングする (コンソール)
アセットモデルに予測定義を追加したら、アセットにある予測をトレーニングできます。
で予測をトレーニングするには AWS IoT SiteWise
AWS IoT SiteWise コンソール
に移動します。 ナビゲーションペインで、アセット を選択し、モニタリングするアセットを選択します。
予測 を選択します。
トレーニングする予測を選択します。
-
アクション で、トレーニングの開始 を選択し、以下を実行します。
予測の詳細 で、 が Lookout for Equipment とアセットデータを共有 AWS IoT SiteWise できるようにするIAMアクセス許可ロールを選択します。新しいロールを作成する必要がある場合は、新しいロールの作成 を選択します。
トレーニングデータ設定 には、トレーニングデータ時間範囲を入力して、予測のトレーニングに使用するデータを選択します。
(オプション) 後処理後のデータのサンプリングレートを選択します。
(オプション) データラベル には、ラベル付けデータを保持する Amazon S3 バケットとプレフィックスを指定します。データのラベル付けの詳細については、「Amazon Lookout for Equipment ユーザーガイド」の「データのラベル付け」を参照してください。
[Next (次へ)] を選択します。
-
(オプション) トレーニングの完了直後に予測をアクティブにする場合は、詳細設定 で、トレーニング 後に予測を自動的にアクティブにしてから、次の操作を行います。
「入力データ」で、「データのアップロード頻度」で、データのアップロード頻度を定義し、「オフセット遅延時間」で、使用するバッファの量を定義します。
[Next (次へ)] を選択します。
予測の詳細を確認し、保存して開始を選択します。
予測の推論を開始または停止する (コンソール)
注記
Lookout for Equipment の料金は、 AWS IoT SiteWise と Lookout for Equipment の間で転送されるデータを含むスケジュールされた推論に適用されます。詳細については、「Amazon Lookout for Equipment の料金
予測 b「lookoutequipment:」を追加したがCreateDataset、トレーニング後にアクティブ化を選択しなかった場合は、アセットのモニタリングを開始するためにアクティブ化する必要があります。
予測の推論を開始するには
AWS IoT SiteWise コンソール
に移動します。 ナビゲーションペインで、アセット を選択し、予測を追加するアセットを選択します。
予測 を選択します。
アクティブ化する予測を選択します。
-
「アクション」で「推論の開始」を選択し、次の操作を行います。
入力データ で、データのアップロード頻度 で、データのアップロード頻度を定義し、オフセット遅延時間 で、使用するバッファの量を定義します。
保存して開始を選択します。
予測の推論を停止するには
AWS IoT SiteWise コンソール
に移動します。 ナビゲーションペインで、アセット を選択し、予測を追加するアセットを選択します。
予測 を選択します。
停止する予測を選択します。
-
アクション で、推論を停止 を選択します。
予測定義を追加する (CLI)
新規または既存のアセットモデルで予測定義を定義するには、 AWS Command Line Interface () を使用できますAWS CLI。アセットモデルで予測定義を定義したら、Lookout for Equipment で異常検出を行うために、 のアセットの予測 AWS IoT SiteWise をトレーニングし、推論をスケジュールします。
前提条件
これらのステップを完了するには、アセットモデルと少なくとも 1 つのアセットを作成する必要があります。詳細については、「アセットモデルを作成する (AWS CLI)」および「アセットを作成する (AWS CLI)」を参照してください。
を初めて使用する場合は AWS IoT SiteWise、 CreateBulkImportJob
APIオペレーションを呼び出してアセットプロパティ値を にインポートする必要があります。これは AWS IoT SiteWiseモデルのトレーニングに使用されます。詳細については、「一括インポートジョブ (AWS CLI) を作成する」を参照してください。
予測定義を追加するには
asset-model-payload.json
という名前のファイルを作成します。これらの他のセクションのステップに従って、アセットモデルの詳細をファイルに追加しますが、アセットモデルの作成または更新のリクエストは送信しないでください。アセットモデルの作成方法の詳細については、「」を参照してください。 アセットモデルを作成する (AWS CLI)
既存のアセットモデルを更新する方法の詳細については、「」を参照してください。 アセットまたはコンポーネントモデルを更新する (AWS CLI)
次のコードを追加して、Lookout for Equipment 複合モデル (
assetModelCompositeModels
) をアセットモデルに追加します。を、含めるプロパティの ID
に置き換えます。これらの を取得するにはIDs、 を呼び出しますProperty
DescribeAssetModel
。を、Lookout for Equipment が AWS IoT SiteWise データにアクセスできるようにする IAMロールARNの
に置き換えます。RoleARN
{ ... "assetModelCompositeModels": [ { "name": "L4Epredictiondefinition", "type": "AWS/L4E_ANOMALY", "properties": [ { "name": "AWS/L4E_ANOMALY_RESULT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_RESULT", "unit": "none", "type": { "measurement": {} } }, { "name": "AWS/L4E_ANOMALY_INPUT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INPUT", "type": { "attribute": { "defaultValue": "{\"properties\": [\"
Property1
\", \"Property2
\"]}" } } }, { "name": "AWS/L4E_ANOMALY_PERMISSIONS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_PERMISSIONS", "type": { "attribute": { "defaultValue": "{\"roleArn\": \"RoleARN
\"}" } } }, { "name": "AWS/L4E_ANOMALY_DATASET", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_DATASET", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_MODEL", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_MODEL", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_INFERENCE", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_TRAINING_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_TRAINING_STATUS", "type": { "attribute": { "defaultValue": "{}" } } }, { "name": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "type": { "attribute": { "defaultValue": "{}" } } } ] }-
アセットモデルを作成、または既存のアセットモデルを更新します。次のいずれかを行います。
アセットモデルを作成するには、次のコマンドを実行します。
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
既存のアセットモデルを更新するには、次のコマンドを実行します。を更新するアセットモデルの ID
に置き換えます。asset-model-id
aws iotsitewise update-asset-model \ --asset-model-id
asset-model-id
\ --cli-input-json file://asset-model-payload.json
コマンドを実行したら、レスポンスに assetModelId
に注意してください。
予測をトレーニングし、推論を開始する (CLI)
予測定義が定義されたので、それに基づいてアセットをトレーニングし、推論を開始できます。予測をトレーニングしたいが推論を開始しない場合は、「」に進みます予測をトレーニングする (CLI)。予測をトレーニングし、アセットの推論を開始するには、ターゲットリソースassetId
の が必要です。
予測の推論をトレーニングして開始するには
次のコマンドを実行して、
assetModelCompositeModelId
で を見つけますassetModelCompositeModelSummaries
。置換
に、 で作成したアセットモデルの ID を入力しますアセットまたはコンポーネントモデルを更新する (AWS CLI)。asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\次のコマンドを実行して、
TrainingWithInference
アクションactionDefinitionId
の を検索します。置換
を前のステップで使用した ID に置き換えます。asset-model-id
前のステップで返された ID を持つ 。asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\という名前のファイル
train-start-inference-prediction.json
を作成し、次のコードを置き換えて追加します。
ターゲットアセットの ID を含むasset-id
TrainingWithInference アクションの ID を含むaction-definition-id
エポック秒で提供されるトレーニングデータの開始StartTime
エポック秒で提供されるトレーニングデータの終了EndTime
Lookout for Equipment による後処理後のデータのサンプリングレート。使用できる値は ですTargetSamplingRate
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
。
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4ETrainingWithInference\":{\"trainingWithInferenceMode\":\"START\",\"trainingPayload\":{\"exportDataStartTime\":StartTime
,\"exportDataEndTime\":EndTime
},\"targetSamplingRate\":\"TargetSamplingRate
\"},\"inferencePayload\":{\"dataDelayOffsetInMinutes\":0,\"dataUploadFrequency\":\"PT5M\"}}}" } }次のコマンドを実行して、トレーニングと推論を開始します。
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
予測をトレーニングする (CLI)
予測定義が定義されたので、それに基づいてアセットをトレーニングできます。アセットの予測をトレーニングするには、ターゲットリソースassetId
の が必要です。
予測をトレーニングするには
次のコマンドを実行して、
assetModelCompositeModelId
で を見つけますassetModelCompositeModelSummaries
。置換
に、 で作成したアセットモデルの ID を入力しますアセットまたはコンポーネントモデルを更新する (AWS CLI)。asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\次のコマンドを実行して、
Training
アクションactionDefinitionId
の を検索します。置換
を前のステップで使用した ID に置き換えます。asset-model-id
前のステップで返された ID を持つ 。asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\という名前のファイル
train-prediction.json
を作成し、次のコードを置き換えて追加します。
ターゲットアセットの ID を含むasset-id
トレーニングアクションの ID を含むaction-definition-id
エポック秒で提供されるトレーニングデータの開始StartTime
エポック秒で提供されるトレーニングデータの終了EndTime
(オプション)
ラベルデータを保持する Amazon S3 バケットの名前BucketName
(オプション) Amazon S3 バケットに関連付けられた
プレフィックスを持つ 。Prefix
Lookout for Equipment による後処理後のデータのサンプリングレート。使用できる値は ですTargetSamplingRate
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
。注記
バケット名とプレフィックスの両方を含めるか、どちらも含めないでください。
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\":StartTime
, \"exportDataEndTime\":EndTime
, \"targetSamplingRate\":\"TargetSamplingRate
\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName
\", \"prefix\": \"Prefix
\"}}}" } }次のコマンドを実行してトレーニングを開始します。
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
推論を開始する前に、トレーニングを完了する必要があります。トレーニングのステータスを確認するには、次のいずれかを実行します。
コンソールから、予測対象のアセットに移動します。
から AWS CLI、
trainingStatus
プロパティpropertyId
のBatchGetAssetPropertyValue
を使用して を呼び出します。
予測の推論を開始または停止する (CLI)
予測がトレーニングされたら、推論を開始して Lookout for Equipment にアセットのモニタリングを開始するように指示できます。推論を開始または停止するには、ターゲットリソースassetId
の が必要です。
推論を開始するには
次のコマンドを実行して、
assetModelCompositeModelId
で を見つけますassetModelCompositeModelSummaries
。置換
に、 で作成したアセットモデルの ID を入力しますアセットまたはコンポーネントモデルを更新する (AWS CLI)。asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\次のコマンドを実行して、
Inference
アクションactionDefinitionId
の を検索します。置換
を前のステップで使用した ID に置き換えます。asset-model-id
前のステップで返された ID を持つ 。asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\という名前のファイル
start-inference.json
を作成し、次のコードを置き換えて追加します。
ターゲットアセットの ID を含むasset-id
推論開始アクションの ID を持つaction-definition-id
使用するバッファの量を含むOffset
とデータのアップロード頻度Frequency
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\":Offset
, \"dataUploadFrequency\": \"Frequency
\"}}" }}推論を開始するには、次のコマンドを実行します。
aws iotsitewise execute-action --cli-input-json file://start-inference.json
推論を停止するには
次のコマンドを実行して、
assetModelCompositeModelId
で を見つけますassetModelCompositeModelSummaries
。置換
に、 で作成したアセットモデルの ID を入力しますアセットまたはコンポーネントモデルを更新する (AWS CLI)。asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\次のコマンドを実行して、
Inference
アクションactionDefinitionId
の を検索します。置換
を前のステップで使用した ID に置き換えます。asset-model-id
前のステップで返された ID を持つ 。asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\という名前のファイル
stop-inference.json
を作成し、次のコードを置き換えて追加します。
ターゲットアセットの ID を含むasset-id
推論開始アクションの ID を持つaction-definition-id
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}" }}推論を停止するには、次のコマンドを実行します。
aws iotsitewise execute-action --cli-input-json file://stop-inference.json